The Estimation of Higher-Order Continuous Time Autoregressive Models
高阶连续时间自回归模型的估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究连续时间自回归系统、状态空间表示和滤波估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高阶连续时间自回归模型的估计
- 研究问题
- 如何估计高阶连续时间随机微分系统的结构参数，并处理不等间隔、缺失观测、测量误差以及存量和流量数据？
- 方法与思路
- 作者以状态空间表示和 Kalman–Bucy 滤波计算最大似然或高斯估计，并修改滤波方法以同时处理流量与存量观测。
- 材料陈述的贡献
- 摘要称，方法在等间隔精确观测的标准情形中具有计算效率，并可扩展到不规则采样、缺失数据及测量误差设定。
- 阅读关注点
- 应核对连续时间系统到观测方程的转换、滤波修改、测量误差与缺失机制的处理，以及高斯估计与最大似然的关系。
- 阅读边界
- 仅据所给 Crossref 摘要解读；未报告计算比较或完整概率假设，不能据此保证所有观测设定中的效率与有效性，也不推断刊本变化。
原文摘要
A method is presented for computing maximum likelihood, or Gaussian, estimators of the structural parameters in a continuous time system of higherorder stochastic differential equations. It is argued that it is computationally efficient in the standard case of exact observations made at equally spaced intervals. Furthermore it can be applied in situations where the observations are at unequally spaced intervals, some observations are missing and/or the endogenous variables are subject to measurement error. The method is based on a state space representation and the use of the Kalman–Bucy filter. It is shown how the Kalman-Bucy filter can be modified to deal with flows as well as stocks.